超高清低光照图像增强：基于Transformers的开源项目介绍

最新推荐文章于 2025-06-21 19:25:56 发布
最新推荐文章于 2025-06-21 19:25:56 发布
阅读量1k 收藏 7
点赞数 23
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/gitblog_01010/article/details/145005678

超高清低光照图像增强：基于Transformers的开源项目介绍

LLFormer The code release of paper "AAAI Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and Transformer-Based Method", AAAI 2023 LLFormer 项目地址: https://gitcode.com/gh_mirrors/ll/LLFormer

本项目是一个开源的计算机视觉项目，主要使用Python编程语言开发。项目致力于解决超高清低光照图像的增强问题，通过先进的深度学习技术，特别是Transformer架构，来实现图像质量的提升。

项目基础介绍

项目名为LLFormer，是“Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and Transformer-Based Method”论文的代码实现。该项目构建了一个大规模的超高清低光照图像增强数据库，并提出了基于Transformers的图像增强方法。LLFormer的核心设计包括轴基多头自注意力机制和跨层注意力融合模块，这些设计显著降低了计算复杂度。

核心功能

  • 图像增强：通过Transformer架构，对低光照的超高清图像进行增强，改善图像的视觉效果。
  • 大规模数据库：构建了包含4K和8K分辨率图像的大规模数据库，用于训练和测试图像增强算法。
  • 性能比较：对当前流行的低光照图像增强算法进行了系统性的性能比较和评估。
  • 预训练模型：提供了在不同数据集上预训练的模型，方便用户直接使用或进一步研究。

最近更新的功能

最近项目的更新主要包括以下几个方面：

  • 代码和预训练模型的发布：项目在GitHub上发布了代码和预训练模型，使得研究人员和开发者可以方便地使用和进一步改进算法。
  • 性能优化：对算法的性能进行了优化，提高了图像增强的质量和效率。
  • 文档和示例的完善：项目的文档和示例代码得到了完善，使得新用户更容易理解和上手项目。

通过这些更新，LLFormer项目在超高清低光照图像增强领域继续保持领先地位，为相关研究提供了有力的工具。

LLFormer The code release of paper "AAAI Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and Transformer-Based Method", AAAI 2023 LLFormer 项目地址: https://gitcode.com/gh_mirrors/ll/LLFormer

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

计算机视觉与深度学习 ｜ 基于Transformer的低照度图像增强技术
尘世冰封的专栏
05-08 314
基于Transformer的低照度增强方法通过全局建模与局部优化结合，显著提升了图像质量。未来方向包括更轻量化的架构设计（如IAT的实时性优化）和多任务联合训练（如增强与检测联合优化）。开发者可参考开源代码快速复现，并结合实际场景调整损失函数与注意力机制。
融合Retinex理论与Transformer的YOLOv8低光照目标检测增强方法【YOLOv8】
步入烟尘的博客
12-21 1366
图像分解：将输入图像分解为光照成分和反射成分。光照估计：估计光照图以消除暗光区域。图像重建：将光照增强后的反射图像重建成最终图像。Retinexformer通过在Transformer中引入Retinex的图像增强思路，使得低光照图像的细节能够得到充分保留。本文提出了一种基于Retinexformer的低光照增强方法，用于改进YOLOv8模型在夜间和低光照环境下的目标检测性能。
低照度增强算法（图像增强+目标检测+代码）
QQ_1309399183的博客
11-03 1327
低照度增强算法（图像增强+目标检测+代码）
YOLOv11全网最新创新点改进系列：将IGAB（低光照增强）与 YOLO 结合，突破低光图像增强与实时物体检测的极限，精准识别，清晰呈现，助力夜间视觉智能，可广泛应用于目标检测各领域，涨点神器！
B站 Ai学术叫叫兽的文案地
01-13 3334
YOLOv11全网最新创新点改进系列：将IGAB（低光照增强）与 YOLO 结合，突破低光图像增强与实时物体检测的极限，精准识别，清晰呈现，助力夜间视觉智能，可广泛应用于目标检测各领域，涨点神器！
【论文笔记】—低光图像增强—Zero-reference—ZeroDCE—2020-CVPR
chaiky的博客
08-23 3448
该文章提出了一种 light-weight deep network 的方法用于解决 Low-Light 图像增强问题。它将这个任务转换为了一个 image-specific 曲线估计问题(图像作为输入，曲线作为输出)，这类曲线对在输入的动态范围内进行像素级调整，从而获得增强图像。作者通过设置一系列 non-reference 的损失函数(可以间接反映增强质量)，使得网络在没有任何参考图像的情况下能够进行 end-to-end 训练。...
STAR: A Structure-aware Lightweight Transformer for Real-time Image Enhancement2021ICCV低光图像增强论文笔记
meiyongyue的博客
03-11 999
记录STAR transformer通用论文
每日AIGC最新进展(8)：使用扩散模型进行基于几何的图像编辑、将扩散模型提炼成条件GANs、任意分辨率和时长视频生成的DiT模型、One-Shot 人脸Talk视频生成
沉迷单车的追风少年
05-23 1203
在这份技术报告中，我们介绍了Lumina-T2X系列——一系列基于流的大型扩散变压器(Flag-DiT)，配备了零初始化注意力，作为一个统一的框架，旨在将噪声转换为图像、视频、多视图3D对象和文本指令条件下的音频片段。我们提出了GeoDiffuser，这是一种基于零镜头优化的方法，它将常见的基于2D和3D图像的对象编辑功能统一到一个方法中。我们的无需训练的优化方法使用目标函数，力求保持对象风格，但生成可信的图像，例如具有准确的光照和阴影。我们提出了定量结果，包括一项感性研究，表明我们的方法比现有方法更好。
AIGC 领域文生图：提升创意效率的秘诀
AI天才研究院
05-02 948
随着人工智能生成内容（AIGC）技术的爆发式发展，文本生成图像（Text-to-Image，T2I）已成为创意产业的核心基础设施。传统创意设计流程中，从概念构思到视觉呈现往往需要数天甚至数周时间，而文生图技术可将这一周期缩短至分钟级。本文旨在揭示文生图技术提升创意效率的核心机制，涵盖技术原理、工程实践、创意工作流优化等多个维度，为设计师、开发者和创意从业者提供可落地的效率提升方案。技术原理：解析文生图核心模型（扩散模型、CLIP、Transformer）的数学基础与架构设计效率提升。
AI原生视频生成：如何用Python实现自动化创作？
最新发布
SuperAGI2025
06-21 761
你是否遇到过“想做视频但不会剪辑”“素材不够用”“创意执行太慢”的困扰？AI原生视频生成技术（AI-Generated Video）正是为解决这些痛点而生——它能通过算法直接生成视频内容，无需手动剪辑。本文将聚焦基于文本输入的自动化视频生成，覆盖从技术原理到Python实现的全链路。本文将按“概念→原理→实战”的逻辑展开：先通过生活案例理解核心概念，再拆解关键算法（如扩散模型），最后用Python代码实现一个“文本生成视频”的完整项目。视频扩散模型：从噪声中“擦除”出连贯视频帧的算法（像擦雾得到清晰画面）
AIGC文生视频Prompt工程：如何写出高效提示词？
大模型应用工坊
04-28 936
提示词如何影响视频生成的主题、视觉效果、运动逻辑？不同技术架构（如扩散模型、Transformer）对提示词的要求有何差异？如何通过结构化设计提升提示词的可控性与生成质量？覆盖范围包括提示词的基础要素、多维度优化策略、数学评估模型及行业实战案例，适用于Stable Video Diffusion、Runway ML、Pika Labs等主流文生视频工具。核心概念：解析文生视频提示词的独特性与构成要素技术原理：揭示提示词在模型中的处理流程与数学建模方法实战指南。
深度补全 论文及代码汇总，持续更新中~~
不忘初心~
03-14 2869
depth completion
LYT-Net——轻量级YUV Transformer 网络低光照条件图像修复
知来者逆的博客
07-30 3053
低光照图像增强（LLIE）是计算机视觉（CV）领域的一个重要且具有挑战性的任务。在低光照条件下捕获图像会显著降低其质量，导致细节和对比度的丧失。这种退化不仅会导致主观上不愉快的视觉体验，还会影响许多CV系统的性能。LLIE的目标是在提高可见度和对比度的同时，恢复暗环境中固有的各种失真。低光照条件指的是环境场景中的光照水平低于实现最佳可见性的标准要求。然而，在实际应用中，到目前为止，还无法确定特定的理论值来明确界定低光照环境。因此，对于识别和量化构成低光照条件的标准，尚未有统一的规定。
【论文精读】Retinexformer: One-stage Retinex-based Transformer for Low-light Image Enhancement
weixin_54098256的博客
03-15 3537
AbstractAbstract：增强低光照图片：很多算法使用Retinex理论①很多Retinex模型没有考虑到损坏（corruptions）现象（噪声、伪影、色彩失真等现象），这种损坏藏在黑暗中or在光照的过程中被引入；②这些算法需要繁琐的多步骤训练pipeline，它们依赖于卷积神经网络，在捕获long-range的依赖的时候存在局限性。①提出一个简单但有规则的基于Retinex的单阶段框架（ORF②设计一个光照引导的transformer（IGT。
Ultra-High-Definition Low-Light Image Enhancement: A Benchmark andTransformer-Based Method
u013049912的博客
03-14 1520
随着光学传感器质量的提高，需要处理大规模图像。特别是，设备捕获超高清 (UHD) 图像和视频的能力对图像处理管道提出了新的要求。在本文中，我们考虑低光图像增强（LLIE）的任务，并引入由 4K 和 8K 分辨率图像组成的大规模数据库。我们进行系统的基准测试研究并提供当前 LLIE 算法的比较。作为第二个贡献，我们引入了 LLFormer，一种基于 Transformer 的低光增强方法。LLFormer的核心组件是基于轴的多头自注意力和跨层注意力融合块，显着降低了线性复杂度。
能发Nature的idea！小波变换+注意力！15个创新思路，轻松上手！
Angelina_Jolie的博客
10-20 3213
牛！通过把，模型Wtfp登上Nature子刊，在飞行轨迹预测任务中，误差降低36％！不仅如此，在CVPR、ICCV等顶会上，其也是独领风骚，出了GestFormer、BWG、WaveIPT等一系列成果，热门程度可见一斑！主要在于，小波变换具备多分辨率分析能力，能有效捕捉非平稳信号的局部特征和突变信息；注意力机制可让模型聚焦重要部分。二者结合，既能增强特征提取能力，又能提高模型适应性和性能。且在图像处理、语音处理和时间序列分析等领域都能用。
【论文速看】DL最新进展20241020-Transformer量化加速、低光增强
qq_40734883的博客
10-20 629
【论文速看】DL最新进展20241020-Transformer量化加速、低光增强
LLFormer 开源项目教程
gitblog_00108的博客
10-11 531
LLFormer 开源项目教程 LLFormer The code release of paper "AAAI Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and Transformer-Based Method", AAAI 2023 ...
(AAAI 2025) 基于生成感知先验的低光照图像增强
Angelina_Jolie的博客
03-11 1151
尽管在增强低光照（LL）图像的可见性、恢复纹理细节和抑制噪声方面取得了显著进展，但由于现实场景中复杂的光照条件，现有的低光照图像增强（LLIE）方法在实际应用中仍面临挑战。此外，生成视觉上逼真且吸引人的增强效果仍然是一个未被充分探索的领域。针对这些挑战，作者提出了一种新颖的LLIE框架，该框架通过视觉语言模型（VLMs）生成的生成感知先验（GPP-LLIE）进行指导。具体来说，作者首先提出了一种管道，引导VLMs评估LL图像的多个视觉属性，并将评估结果量化为全局和局部感知先验。
CVPR 低光照图像增强 图像增强与统一恢复网络2024
jacke121的专栏
10-01 4955
CVPR 低光照图像增强 图像增强与统一恢复网络2024
基于深度学习的低照度图像增强算法
02-15
### 基于深度学习的低光照图像增强算法 #### 变压器架构应用于超高清低光照图像增强 存在一个专注于超高清低光照条件下图像质量改进的开源项目，此项目采用Python作为主要开发语言，并引入了Transformer这一先进的人工智能模型结构来处理图像数据[^1]。 ```python import torch from transformers import TransformerModel def enhance_low_light_image(image_path, model_weights='pretrained.pth'): """ 使用预训练好的Transformer模型对低光照图片进行增强 参数: image_path (str): 输入待处理的低光环境下的图片路径. model_weights (str): 已经训练完成并保存下来的权重文件名，默认为'pretrained.pth'. 返回值: enhanced_image: 经过增强后的高质量图片对象 """ device = 'cuda' if torch.cuda.is_available() else 'cpu' transformer_model = TransformerModel().to(device) state_dict = torch.load(model_weights,map_location=device) transformer_model.load_state_dict(state_dict) # 加载原始图片... original_image = load_original_image(image_path) with torch.no_grad(): transformed_tensor = preprocess(original_image).unsqueeze(0).to(device) output = transformer_model(transformed_tensor)[0].cpu() enhanced_image = postprocess(output) return enhanced_image ``` #### CNN驱动的交互式色彩均衡化（ICE） 另一项工作则聚焦于创建一种能够依据个人喜好调整输出效果的方法——IceNet。该网络利用卷积神经网络(CNN)，并通过设计特定类型的损失函数实现了自动化的颜色校正过程；更重要的是，IceNet支持用户参与式的调优流程，在某些情况下甚至不需要任何人为干预就能达到理想的效果[^4]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

卓华茵Doyle

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值